Lista3 - Strategie Ewolucyjne (mu, lambda)

ES(mu, lambda)

Slajdy prowadzącego

Mam problem z zrozumieniem algorytmu.

1 Algorytm
2     P = Random-Population(µ);
3     Population-Evaluation(P, F);
4     while not Termination-Condition()
5         Pc = Parent-Selection(P, λ);
6         Mutation(Pc , τ , τ0);
7         Replacement(P, Pc);
8         Population-Evaluation(P, F);
9     return best of P;
  1. \lambda powinno być znacząco większe od \mu ? ( \lambda = 10\mu)
  2. Po co w 2 oceniać populację?
  3. Parent-selection to wybieranie z rozkładu jednostajnego z powtórzeniem, czy powinniśmy wpleść w to wynik ewaluacji?
  4. Do jakiego rozmiaru powinniśmy zredukować populację w replacement? Potomkowie nie są wtedy jeszce ocenieni?! Czy dopiero popiulation-evalution przycina populację. To co wtedy oznacza 7 ??
  5. \tau = \frac{K}{\sqrt{2d}} i \tau_0 = \frac{K}{\sqrt{2 \sqrt{ d}}} <— wartości polecane na wykładzie. To już są \sigma^2, czy jedynie \sigma i przy każdym losowaniu z rokzładu normalnego nalezy je podnieśc do kwadratu? Z jakiego przedziału powinno być K?
  6. Jak inicjować sigmy w osobnikach?

Tyle, ile pamiętam z wykładu:

  1. Tak, powinno, ale z uwagi na ograniczenia mocy obliczeniowej zwykle nie jest (pokazywał przykład gdzie było 2 razy większe).
  2. Ponieważ Twój Termination-Condition może wykorzystywać tę ocenę (nie musi).
  3. To się wybierało metodą ruletki (o ile dobrze pamiętam).
  4. Tu nie pamiętam.
  5. Podejrzewam, że to sigma bez kwadratu (definiował rozkład normalny bez kwadratu, np. na slajdzie nr 15. Wartość K jest wyznaczana eksperymentalnie w zależności od algorytmu.
  6. Nie pamiętam.
1 Like